Fugu-MT 論文翻訳(概要): Impact of loss function in Deep Learning methods for accurate retinal vessel segmentation

論文の概要: Impact of loss function in Deep Learning methods for accurate retinal vessel segmentation

arxiv url: http://arxiv.org/abs/2206.00536v1
Date: Wed, 1 Jun 2022 14:47:18 GMT
ステータス: 処理完了
システム内更新日: 2022-06-02 14:45:11.869400
Title: Impact of loss function in Deep Learning methods for accurate retinal vessel segmentation
Title（参考訳）: 正確な網膜血管分割のためのDeep Learning法における損失関数の影響
Authors: Daniela Herrera and Gilberto Ochoa-Ruiz and Miguel Gonzalez-Mendoza and Christian Mata
Abstract要約: 我々は、深層学習アーキテクチャ(U-Net、Attention U-Net、Nested U-Net)とDRIVEデータセットを用いて、Binary Cross Entropy、Dice、Tversky、Comboの損失を比較した。その結果,損失関数の選択には有意な差が認められた。
参考スコア（独自算出の注目度）: 1.1470070927586016
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The retinal vessel network studied through fundus images contributes to the diagnosis of multiple diseases not only found in the eye. The segmentation of this system may help the specialized task of analyzing these images by assisting in the quantification of morphological characteristics. Due to its relevance, several Deep Learning-based architectures have been tested for tackling this problem automatically. However, the impact of loss function selection on the segmentation of the intricate retinal blood vessel system hasn't been systematically evaluated. In this work, we present the comparison of the loss functions Binary Cross Entropy, Dice, Tversky, and Combo loss using the deep learning architectures (i.e. U-Net, Attention U-Net, and Nested UNet) with the DRIVE dataset. Their performance is assessed using four metrics: the AUC, the mean squared error, the dice score, and the Hausdorff distance. The models were trained with the same number of parameters and epochs. Using dice score and AUC, the best combination was SA-UNet with Combo loss, which had an average of 0.9442 and 0.809 respectively. The best average of Hausdorff distance and mean square error were obtained using the Nested U-Net with the Dice loss function, which had an average of 6.32 and 0.0241 respectively. The results showed that there is a significant difference in the selection of loss function
Abstract（参考訳）: 眼底画像による網膜血管ネットワークの研究は、眼内だけでなく複数の疾患の診断に寄与している。このシステムのセグメンテーションは、形態特性の定量化を支援することによって、これらの画像を分析する専門的なタスクに役立つかもしれない。その関連性から、この問題に自動的に対処するために、Deep Learningベースのアーキテクチャがいくつかテストされている。しかし, 複雑な網膜血管系のセグメンテーションに対する損失機能選択の影響は, 体系的に評価されていない。本研究では, ディープラーニングアーキテクチャ(U-Net, Attention U-Net, Nested U-Net)とDRIVEデータセットを用いて, 損失関数の2次クロスエントロピー, Dice, Tversky, Combo損失の比較を行った。 AUC、平均二乗誤差、ダイススコア、ハウスドルフ距離の4つの指標を用いて、それらの性能を評価する。モデルは、同じ数のパラメータとエポックで訓練された。ダイススコアとAUCで最高の組み合わせはSA-UNetとComboの損失で、それぞれ0.9442と0.809であった。 6.32 と 0.0241 のダイス損失関数を持つネスト型 u-net を用いて, ハウスドルフ距離と平均二乗誤差の最良の平均値を得た。その結果,損失関数の選択には有意な差が認められた。

関連論文リスト

SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文参考訳（メタデータ） (2024-11-14T17:06:00Z)
Cross-dataset domain adaptation for the classification COVID-19 using chest computed tomography images [0.6798775532273751]
COVID19-DANetは、機能抽出のためにトレーニング済みのCNNバックボーンに基づいている。 SARS-CoV-2-CTとCOVID19-CTデータセットを使用して、4つのクロスデータセットシナリオでテストされる。
論文参考訳（メタデータ） (2023-11-14T20:36:34Z)
FS-Net: Full Scale Network and Adaptive Threshold for Improving Extraction of Micro-Retinal Vessel Structures [4.776514178760067]
本稿では,エンコーダ・デコーダニューラルネットワークアーキテクチャに基づく大規模マイクロ容器抽出機構を提案する。提案手法はDRIVE,CHASE-DB1,STAREデータセットを用いて評価されている。
論文参考訳（メタデータ） (2023-11-14T10:32:17Z)
Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。 CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
論文参考訳（メタデータ） (2023-06-01T12:53:10Z)
A Generalized Surface Loss for Reducing the Hausdorff Distance in Medical Imaging Segmentation [1.2289361708127877]
本研究では,現在の手法よりも望ましい数値特性を持つハウスドルフ測度を最小化する新しい損失関数を提案する。我々の損失関数は、最先端のnnUNetアーキテクチャを用いてLiTSとBraTSデータセットでテストした場合、他の損失よりも優れています。
論文参考訳（メタデータ） (2023-02-08T04:01:42Z)
Adaptation to CT Reconstruction Kernels by Enforcing Cross-domain Feature Maps Consistency [0.06117371161379209]
本研究は,スムーズで訓練し,鋭い再構築カーネル上で試験したモデルにおいて,新型コロナウイルスのセグメンテーション品質の低下を示すものである。本稿では,F-Consistency(F-Consistency)と呼ばれる,教師なし適応手法を提案する。
論文参考訳（メタデータ） (2022-03-28T10:00:03Z)
The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文参考訳（メタデータ） (2022-01-29T10:54:57Z)
Binary segmentation of medical images using implicit spline representations and deep learning [1.5293427903448025]
本稿では,暗黙のスプライン表現と深層畳み込みニューラルネットワークを組み合わせた画像分割手法を提案する。当社のベストネットワークでは、Diceの平均ボリュームテストスコアが92%近くに達し、この先天性心疾患データセットの最先端に達しています。
論文参考訳（メタデータ） (2021-02-25T10:04:25Z)
Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文参考訳（メタデータ） (2020-12-31T18:53:25Z)
DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文参考訳（メタデータ） (2020-08-19T06:02:46Z)
clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
論文参考訳（メタデータ） (2020-03-16T16:27:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。